Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 LLM을 활용한 바이너리-투-소스 코드 복구 분야에 대한 최초의 지식 체계화(SoK)를 제시합니다. 세분화된 분류 체계를 제공하고, 7가지 핵심 메트릭과 6가지 평가 차원을 통해 광범위하게 방법론들을 평가했습니다. 이 평가는 다양한 아키텍처와 최적화 레벨을 포함하는 대규모 테스트 샘플에서 진행되어 분야의 객관적인 비교 기준을 마련합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기효과적인 소스 코드 복구는 악성코드 분석, 취약점 평가, 레거시 유지보수와 같은 보안 애플리케이션에 매우 중요합니다. 대규모 언어 모델(LLMs)은 이 분야를 재편하고 있으며, 규칙 기반 휴리스틱에서 어셈블리나 고전적인 디컴파일러가 파생시킨 유사 C 코드로부터의 확률적이고 높은 충실도의 의미론적 소스 코드 복구로 패러다임을 전환시키고 있습니다. 하지만 빠른 발전에도 불구하고, 이 분야는 수많은 접근 방식에 걸쳐 파편화되어 있고 평가가 통일되지 않아 객관적인 비교를 제한하는 문제를 겪고 있습니다. 더욱이, 기존 연구들은 임베디드(embedded) 및 IoT 아키텍처와 C/C++을 넘어선 소스 언어에 대한 커버리지가 제한적입니다. 본 논문에서는 LLM 지원 바이너리-투-소스 복구에 특화된 최초의 지식 체계화(Systematization of Knowledge, SoK)를 제시합니다. 우리는 LLM 지원 소스 복구 방법론에 대한 세분화된 설계 중심의 분류 체계를 제공하고, 여섯 가지 평가 차원을 따라 일곱 가지 핵심 메트릭을 사용하여 체계적인 평가를 수행합니다. 우리는 네 가지 표준 아키텍처와 다섯 가지 임베디드 아키텍처에서 파생되었으며, 다섯 가지 최적화 레벨과 심볼 제거(symbol stripping)가 적용된 45,000개의 테스트 샘플에 대해 최신 방법론들을 평가합니다. 통제된 내부 복구 파이프라인과 세 가지 상용 모델을 사용하여 입력 표현, 문맥 강화(contextual enrichment), 모델 규모, 반복 및 검토 역할 등 설계 선택이 복구 성능에 미치는 영향을 제거 분석(ablate)합니다. 마지막으로, 네 가지 성숙 언어와 두 가지 레거시 언어를 포괄하는 동일 언어 및 교차 언어 복구 능력을 테스트합니다. 우리의 체계화 작업과 종합적인 평가는 이 분야의 미래 방향을 안내하는 핵심 통찰력을 제공합니다.